AFFILIAZIONE
uoc ingegneria clinica, fondazione i.r.c.c.s. policlinico san matteo, pavia
AUTORE PRINCIPALE
Ragazzo Veronica
VALUTA IL CHALLENGE
GRUPPO DI LAVORO
La Salvia Marco – dip. ingegneria industriale e dell’informazione, università di pavia, pavia, pavia
Torti Emanuele – dip. ingegneria industriale e dell’informazione, università di pavia, pavia, pavia
Perlini Stefano – uoc medicina urgenza, fondazione i.r.c.c.s. policlinico san matteo, pavia, pavia
Roccasalva Marco – uoc ingegneria clinica, fondazione i.r.c.c.s. policlinico san matteo, pavia, pavia
Ragazzo Veronica – uoc ingegneria clinica, fondazione i.r.c.c.s. policlinico san matteo, pavia, pavia
Silveri Giulia – uoc ingegneria clinica, fondazione i.r.c.c.s. policlinico san matteo, pavia, pavia
Lago Paolo – uoc ingegneria clinica, fondazione i.r.c.c.s. policlinico san matteo, pavia, pavia
Leporati Francesco – dip. ingegneria industriale e dell’informazione, università di pavia, pavia, pavia
AREA TEMATICA
Applicazioni innovative di bioingegneria
ABSTRACT
L’attività clinica durante la pandemia ha permesso di affermare che sia la tomografia computerizzata (TC) che l’ecografia polmonare sono strumenti diagnostici promettenti in grado di rilevare precocemente la polmonite da SARS-CoV-2. Tuttavia i vantaggi dell’ecografia polmonare rispetto alla TC sono: costo ridotto, assenza di radiazioni, facile disinfezione e possibile reiterazione frequente.
L’affidabilità diagnostica dell’ecografia polmonare dipende dall’esperienza dell’operatore e questo limite ha generato un sottoutilizzo della tecnica.
In questo studio, un innovativo sistema di intelligenza artificiale (AI), basato su convolution neural networks (CNN) pre-addestrate, è stato proposto per rilevare precocemente la polmonite da SARS-CoV-2 nelle immagini ecografiche.
Da marzo 2020 sono stati arruolati presso il Pronto Soccorso della Fondazione IRCCS Policlinico San Matteo 450 pazienti che hanno contratto il Covid-19. I soggetti (età mediana 60 anni, 47.0-73.0 25 – 50 P) sono costituiti da 172 pazienti non affetti e 278 affetti da polmonite da SARS-CoV-2. È stato utilizzato l’ecografo Aloka Arietta V70 (Hitachi Medical Systems), dotato di sonde sia convesse che lineari, rispettivamente a 5 MHz e 12 MHz. In totale sono state acquisite 2908 frames ed è stata applicata la convolution neural networks con 18 e 50 livelli (ResNet18 e ResNet50). Per ridurre il bias nei risultati finali l’algoritmo è stato reiterato 7 volte. Infine per testare il modello i frames sono stati divisi in training (75%), in validazione (15%) e in test (10%).
Sono state valutate le prestazioni di classificazione dell’algoritmo in particolare: l’accuratezza, la precisione, F1-score e ROC-curve. Per il ResNet 18 sono stati ottenuti i seguenti valori di accuratezza del training pari a 96.70% e del test 97.64%, applicando il ResNet 50 i valori sono rispettivamente 98.32% e 98.43%. Il valore della ROC-curve del test risulta essere 97.72% nel ResNet18 e 99.91% nel ResNet 50.
Questi risultati evidenziano che l’applicazione di intelligenza artificiale all’immagini ecografiche può aumentare l’affidabilità diagnostica e quindi favorire un maggior utilizzo nella pratica clinica.
